论文部分内容阅读
随着数据采集、存储技术的飞速发展,数字图像的积累越来越容易,用户在数字图像管理方面的需求不断增加、深化,利用机器学习技术来提高图像自动标注的性能受到了越来越多的关注。本文对此进行研究,针对图像自动标注处理对象所具有的多义性、大规模性,通过引入多标记学习、集成学习等技术,提出新型图像标注学习方法,主要包括两方面的工作: 1.提出一种基于标记传播与随机森林结合的多标记学习方法RFLP。该方法利用随机决策树进行数据压缩,在压缩后的数据上进行标记传播,再通过随机森林在所有未标记样本上进行传播结果的泛化。实验结果表明,RFLP方法可以有效地对大规模多标记样本进行学习。 2.提出一种基于纠错码的多标记集成学习方法ML-ECOC。该方法利用纠错码技术对多标记问题进行分解,然后用集成学习技术将子分类器的学习结果进行结合。实验结果表明,ML-ECOC方法在利用纠错码提高多标记集成学习的性能方面取得了一定效果。